用途：为 CTF 中的 AI/ML 类题目提供技术速查，覆盖模型攻击、对抗机器学习与 LLM 攻击三大方向。
主要能力：模型攻击包括权重扰动抵消（用 2*W_orig - W_chal 还原微调前行为）、LoRA 适配器权重合并、基于梯度下降的模型反演、神经网络编码器碰撞、通过查询 API 的模型提取、成员推断攻击。对抗机器学习包括 FGSM、PGD、C&W 对抗样本生成、对抗补丁、分类器逃逸、数据投毒与后门检测。LLM 攻击包括直接/间接提示注入、越狱、token 走私、上下文窗口操纵与工具调用滥用。
使用方式：先安装依赖 pip install torch transformers numpy scipy Pillow safetensors scikit-learn；Linux 可 apt install python3-dev，macOS 可 brew install python@3。用 file 与 torch.load、safetensors.safe_open、transformers.AutoModel 等命令检查模型格式与权重，用权重对比脚本定位差异，用 curl 向远程 LLM 端点测试提示注入。
适用场景：CTF 中涉及模型文件分析、对抗样本构造、LLM 服务攻击与模型信息泄露的题目。
限制与转向：若题目变为纯数学、格约简或数论且无 ML 成分，应转向 /ctf-crypto；若为逆向编译后的 ML 模型二进制（ONNX 加载器、TensorRT 引擎、自定义推理程序），转向 /ctf-reverse；若只是以 ML 为外壳的游戏或谜题（如聊天机器人内的 Python jail），转向 /ctf-misc。具体收费、平台支持范围等资料暂未提供。